Pendekatan berbasis prototipe lokal yang optimal secara global untuk klasifikasi sistem informasi

Muhammad Nur Alviansyah

Abstract


Penelitian ini membahas pendekatan berbasis prototipe lokal yang bertujuan mencapai optimasi secara global dalam konteks klasifikasi sistem informasi. Pendekatan ini memungkinkan penggunaan titik data prototipe lokal yang lebih representatif dalam proses klasifikasi sambil tetap mempertimbangkan fitur-fitur global yang mempengaruhi kinerja sistem. Metode ini menggabungkan karakteristik prototipe lokal dengan tujuan menghasilkan model klasifikasi yang efisien dan akurat. Penelitian ini mengungkapkan keefektifan pendekatan ini dalam meningkatkan klasifikasi sistem informasi secara keseluruhan. Dengan memanfaatkan algoritma optimasi yang disesuaikan untuk merancang model klasifikasi yang optimal secara global. Tujuan hasil eksperimen yang ingin dicapai dengan menunjukkan bahwa pendekatan ini mampu mengatasi permasalahan klasifikasi sistem informasi dengan tingkat akurasi yang signifikan dibandingkan dengan metode konvensional. Kontribusi penelitian ini adalah pengembangan solusi yang lebih efektif untuk menghadapi tantangan dalam klasifikasi sistem informasi dengan menggabungkan keunggulan prototipe lokal dan optimasi global. Hasil penelitian menunjukkan potensi aplikasi metode ini dalam berbagai domain, membuka pintu bagi pengembangan lebih lanjut dalam penggunaan prototipe lokal untuk pemrosesan data dan analisis informasi.

Keywords


Prototipe Lokal; Sistem Informasi; Optimalisasi Global

Full Text:

PDF PDF

References


Aqel, M. J., Nakshabandi, O. A., & Adeniyi, A. (2019). Decision support systems classification in industry. Periodicals of Engineering and Natural Sciences, 7(2), 774-785.

Chou, Y. L., Moreira, C., Bruza, P., Ouyang, C., & Jorge, J. (2022). Counterfactuals and causability in explainable artificial intelligence: Theory, algorithms, and applications. Information Fusion, 81, 59-83.

Grover, V., & Lyytinen, K. (2015). New state of play in information systems research. MIS quarterly, 39(2), 271-296.

Gu, X., & Li, M. (2021). A multi-granularity locally optimal prototype-based approach for classification. Information Sciences, 569, 157-183.

Hariri, R. H., Fredericks, E. M., & Bowers, K. M. (2019). Uncertainty in big data analytics: survey, opportunities, and challenges. Journal of Big Data, 6(1), 1-16.

Khan, W. Z., Rehman, M. H., Zangoti, H. M., Afzal, M. K., Armi, N., & Salah, K. (2020). Industrial internet of things: Recent advances, enabling technologies and open challenges. Computers & electrical engineering, 81, 106522.

Luck, S. J., & Gaspelin, N. (2017). How to get statistically significant effects in any ERP experiment (and why you shouldn't). Psychophysiology, 54(1), 146-157.

Maass, W., Parsons, J., Purao, S., Storey, V. C., & Woo, C. (2018). Data-driven meets theory-driven research in the era of big data: Opportunities and challenges for information systems research. Journal of the Association for Information Systems, 19(12), 1.

Piro, M. H. A., & Simunovic, S. (2016). Global optimization algorithms to compute thermodynamic equilibria in large complex systems with performance considerations. Computational Materials Science, 118, 87-96.

Shao, J., Huang, F., Yang, Q., & Luo, G. (2017). Robust prototype-based learning on data streams. IEEE Transactions on Knowledge and Data Engineering, 30(5), 978-991.

Souza, M. L. H., da Costa, C. A., de Oliveira Ramos, G., & da Rosa Righi, R. (2020). A survey on decision-making based on system reliability in the context of Industry 4.0. Journal of Manufacturing Systems, 56, 133-156.

Wexler, J., Pushkarna, M., Bolukbasi, T., Wattenberg, M., Viégas, F., & Wilson, J. (2019). The what-if tool: Interactive probing of machine learning models. IEEE transactions on visualization and computer graphics, 26(1), 56-65.




DOI: https://doi.org/10.17509/integrated.v5i1.64313

Refbacks

  • There are currently no refbacks.


Copyright (c) 2023 Universitas Pendidikan Indonesia (UPI)

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

Journal has been indexed by: